JAŠEK, F. Detekce defektů desek ve výrobě polovodičů [online]. Brno: Vysoké učení technické v Brně. Fakulta elektrotechniky a komunikačních technologií. 2023.
Pan Filip Jašek splnil všechny body zadání vyjma jednoho – verzování modelů. V průběhu práce bylo zjištěno, že verzování modelů je dostupné jako standartní funkcionalita v použitém cloudovém prostředí a její implementace nebyla potřebná ani přínosná a její absence nijak nesnižuje kvalitu této práce. Vysvětlení této situace a popis mechanismu verzování modelů však v práci nejsou uvedeny. Student velmi podrobně vysvětluje výsledky porovnání ResNet sítí, které použil jak s předtrénováním tak i bez tohoto kroku. Rovněž uvádí problémy spojené s trénovácími datovými sadami a demonstruje je na dvou datových sadách ze dvou různých výrobních závodů onsemi. Student popisuje aplikované metody zlepšení a uvádí správné závěry vyvozené z dosažených výsledků trénování sítí. Detailní zjištění uvedené v kapitolách 6 a 7 pak shrnuje v závěru práce. Grafické výstupy a tabulky v některých případech (např. Tab 7.1) nejsou dostatečně popsány a rozvedeny a jejich umístění dál od jejich popisu ztěžuje orientaci v textu práce. V práci jsou některé body zastoupeny nevyváženým obsahem, jako třeba kapitola 8. Inference, jejíž detailnější popis by prospěl k lepšímu porozumění. Dále pak širší kontext defektivity a výtěžnosti ve výrobě polovodičů by bylo vhodné uvést pro lepší úvod do této problematiky. Popis použití předtrénovaných modelů je uveden na několika místech, dle mého názoru by si tento mechanismus zasloužil detailnější a ucelenější rozbor. Implementace systému pro poloautomatizovanou klasifikaci je zřejmá ze zdrojových kódů autora, ale v textu práce chybí popis návrhu celého systému. Posudek vypracoval odborný vedoucí diplomové práce Ing. Pavel Raška z firmy onsemi Rožnov pod Radhoštěm.
Prvním cílem zadání je seznámení s problematikou identifikace chybných čipů při výrobě polovodičů a s metodami kontroly a řízení výtěžnosti. Tato část je zpracována v kapitole 5 v rozsahu 2 stran. Problematika by mohla být rozebrána podrobněji. Druhým cílem práce je seznámení s metodami strojového učení pro rozpoznávání obrazu. Ten je popsán v kapitolách 1 až 4 v rozsahu 30 stran. Jsou zmíněny hlavní body v rozumném rozsahu. Třetím cílem je vyhodnocení parametrů existujícího řešení využívajícího metody strojového učení RESNET18 pro klasifikaci defektů při výrobě polovodičů. Ze zadání práce ani z diplomové práce není patrné, jaká je podstata a rozsah stávajícího řešení. Stávající řešení zmiňují pouze tabulky 7.2 a 7.3, které srovnává metriky stávajícího řešení a laděného modelu. Rozdíly se zdají být zanedbatelné. Čtvrtým cílem je ověření možnosti zlepšení pomocí zvýšení množství vstupních dat, změnou topologie modelu a změnou parametrů modelu. Trénováním a vyhodnocením dat se zabývají kapitoly 6 a 7 v rozsahu 20 stran. Zvýšení množství vstupních dat je realizováno pomocí 9 typů geometrických a fotometrických transformací. Změna topologie byla demonstrována pouze na topologii ResNet50v2. Změna parametrů je zmíněna v tabulce 7.1, ale vliv na výsledky není příliš zřejmý. Vyhodnocení výsledků by mělo být více názorné. Pátým cílem je návrh systému pro poloautomatizovanou klasifikaci defektů ve výrobním procesu polovodičů s využitím rozhraní REST API jako Docker obraz. Této části je částečně věnována kapitola 8 v rozsahu 7 stran. Popis vlastního řešení je velmi povrchní. Velká část je zaměřena na problematiku propustnosti síťového spojení a komprese dat. Význam pro tuto práci je diskutabilní. Hlavní slabinou práce je chybějící popis přiložených zdrojových kódů. Z textu práce ani ze zdrojových kódů není patrné, co je vlastní práce studenta a co jsou převzaté části. Například příloha “code/libs/train/Resnet.py” vykazuje značnou shodu s “https://github.com/christianversloot/machine-learning-articles/blob/main/how-to-build-a-resnet-from-scratch-with-tensorflow-2-and-keras.md” (funkce residual_block, ResidualBlocks, model_base). Zdrojový kód obsahuje minimum komentářů, takže pochopení funkce jednotlivých částí je obtížné. Některé komentáře a pojmenování tříd opět nazančují převzatý kód např. “dataPreparation.py”: “# TODO: Delete class PlantDiseasesDataset:”. Použití zdrojových kódů či Docker obrazu není zdokumentováno (postup a požadavky) a pokus o spuštění docker-compose.yml selhal: => ERROR [ 4/14] COPY requirements.txt => ERROR [12/14] ADD ./model /app/model Lze konstatovat, že všem bodům zadání byla věnována alespoň malá část práce. Nicméně funkčnost realizovaného systému pro poloautomatizovanou klasifikaci defektů lze těžko ověřit. Doporučuji demonstrovat při obhajobě. Po formální stránce je práce na dobré úrovni. Jsou využívány odkazy na použitou literaturu. Text obsahuje malé množství chyb. Vytknout lze špatná čitelnost (rozlišení) některých obrázků. Podivná je kombinace českých a anglických popisů v rámci jednoho grafu (např. obrázky 3.2, 6.4, 6.24).
eVSKP id 151749